CN112781702B - 一种对车辆称重的方法及*** - Google Patents
一种对车辆称重的方法及*** Download PDFInfo
- Publication number
- CN112781702B CN112781702B CN202011603292.XA CN202011603292A CN112781702B CN 112781702 B CN112781702 B CN 112781702B CN 202011603292 A CN202011603292 A CN 202011603292A CN 112781702 B CN112781702 B CN 112781702B
- Authority
- CN
- China
- Prior art keywords
- weighing
- vehicle
- data
- vibration
- standard
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005303 weighing Methods 0.000 title claims abstract description 403
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 13
- 239000010453 quartz Substances 0.000 claims description 9
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 17
- 230000009471 action Effects 0.000 description 5
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 241000209202 Bromus secalinus Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
- G01G19/03—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing during motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种对车辆称重的方法及***。该方法包括通过称重单元获取车辆的原始称重数据;通过振动感测单元获取所述车辆在行进过程中的振动数据;基于所述原始称重数据和所述振动数据训练第一称重模型;以及基于所述原始称重数据、所述振动数据和所述第一称重模型确定车辆的最终重量。本公开通过对第一称重模型训练来提高振动感测单元的称重精度,并结合原始称重数据,从而获得更准确的车辆重量。
Description
技术领域
本公开一般地涉及称重技术领域。具体地,本公开涉及一种对车辆称重的方法及***。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述可包括可以探究的概念,但不一定是之前已经想到或者已经探究的概念。因此,除非在此指出,否则在本部分中描述的内容对于本申请的说明书和权利要求书而言不是现有技术,并且并不因为包括在本部分中就承认是现有技术。
动态称重技术是指在车辆行进过程中对车辆进行称重的技术。动态称重装置被广泛应用于计重收费、超限检测等应用中,在交通管理、超限治理以及进出口监管中起到了重要的作用。其中,超限检测通常设置于高速道路。目前,高速称重***通常包括称重平台、摄像头、车型识别等设备。当车辆正常行驶经过称重平台对其称重来检测行驶车辆是否超限,同时识别车辆的重量、车型、速度等信息。对于非正常驾驶行为,采用当前称重***可能会导致称重不准确。
发明内容
为了至少解决上面的一个或多个技术问题,本公开提供一种对车辆称重的方法及***。本公开实施例通过利用称重单元的测量的称重数据来训练振动感测单元的第一称重模型,从而提高振动感测单元的称重精度,并结合称重数据,以便获取更准确的车辆重量。鉴于此,本公开在如下的多个方面提供相应的解决方案。
在第一方面,本公开提供一种对车辆称重的方法,包括:通过称重单元获取车辆的原始称重数据;通过振动感测单元获取所述车辆在行进过程中的振动数据;基于所述原始称重数据和所述振动数据训练第一称重模型;以及基于所述原始称重数据、所述振动数据和所述第一称重模型确定车辆的最终重量。
在一个实施例中,其中,基于所述原始称重数据和所述振动数据训练第一称重模型包括:对原始称重数据进行筛选获得标准称重数据;基于所述标准称重数据获得标准称重结果;以所述标准称重结果作为标签数据,以对应所述标准称重数据的标准振动数据作为输入,来训练第一称重模型。
在另一个实施例中,其中,对原始称重数据进行筛选获得标准称重数据包括:根据所述原始称重数据确定所述车辆的特征信息;根据所述车辆的特征信息进行筛选获得标准称重数据。
在又一个实施例中,其中,所述车辆的特征信息至少包括所述车辆的速度、车辆的加速度、车辆的行驶轨迹中的一种。
在又一个实施例中,其中,基于所述原始称重数据、所述振动数据和所述第一称重模型确定车辆的最终重量包括:根据所述原始称重数据获得所述车辆的第一称重结果;将所述振动数据输入所述第一称重模型中获得所述车辆的第二称重结果;以及对所述第一称重结果和所述第二称重结果进行加权求和获得车辆的最终重量。
在又一个实施例中,其中,所述第一称重模型包括Alexnet网络模型、CNN网络模型、Resnet网络模型、VGG网络模型中的一种。
在第二方面,本公开还提供一种对车辆称重的***,包括:称重单元,用于获取所述车辆的原始称重数据;振动感测单元,用于获取所述车辆在行进过程中的振动数据;数据处理单元,用于基于所述原始称重数据和所述振动数据训练第一称重模型;以及基于所述原始称重数据、所述振动数据和所述第一称重模型确定车辆的最终重量。
在又一个实施例中,其中,所述称重单元至少包括板式称重装置、条式称重装置、石英称重装置中的一种或者多种。
在又一个实施例中,根据权利要求7所述的称重***,其中,所述振动感测单元至少包括加速度传感器、速度传感器、位移传感器中的一种或者多种。
根据本公开的实施例,通过利用称重单元的测量的称重数据来训练振动感测单元的第一称重模型,从而提高振动感测单元的称重精度,从而获得更准确的车辆重量。进一步地,本公开实施例利用振动感测单元对于车辆多种行进动作(加速行驶、减速行驶和蛇形行驶)下的较好适应性,通过振动数据作为第一称重模型的输入数据,使得车辆非匀速行驶时也能获取更为准确的车辆重量。进一步地,本公开实施例结合称重单元和振动感测单元的特点,以获得更高的称重精度,以便更准确的车辆重量。进一步地,由于同时布置称重单元和振动感测单元,使得延长了本公开实施例的称重***区域,可以感测到车辆整个周期的称重信号和振动信号,从而提高了称重精度。同时,本公开实施例采用振动感测单元(加速度传感器、速度传感器和/或位移传感器),相比于传统的称重装置而言,使得称重***的成本较低。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,并且相同或对应的标号表示相同或对应的部分其中:
图1是示出现有高速称重***的示例性示意图;
图2是示出车辆沿路边行驶的示例性示意图;
图3是示出车辆绕过称重平台行驶的示例性示意图;
图4是示出根据本公开实施例的称重***的示例性结构示意图;
图5是示神经网格的示例性框图;
图6是示出根据本公开实施例的训练第一称重模型的示例性示意图
图7-图10是示出根据本公开实施例的称重单元、振动感测单元的多种布局的示例性示意图;
图11-图14是示出根据本公开实施例的称重装置和传感器布局的示例性示意图;以及
图15是示出根据本公开实施例的称重方法的示例性流程框图。
具体实施方式
下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开,而并非以任何方式限制本公开的范围。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
动态车辆称重是指通过测量和分析动态轮胎力来测量一辆运动中的车辆的总重和/或部分重量。动态称重***通常包括一组传感器和包含软件的电子仪器组成,以便测量动态轮胎力、轮重、轴重或者总重。根据设备适应的速度范围,可以分为高速称重***和低速称重***。动态车辆称重通常可应用于例如计重收费、高速超限管理等多个场景中。其中,高速称重***主要应用于高速道路的非现场超限超载执法场景中,可以对0~120km/h速度范围的车辆进行称重,该称重结果可能作为以后的执法依据。因此,高速称重***的称重精度尤为重要。
图1示出现有高速称重***的示例性示意图。如图1所示,在沿车辆行驶方向上的路面基础1上布置有称重平台2,称重平台2沿车辆行驶方向的前方设置有龙门架3。在龙门架3的顶部安装有识别设备4。其中,称重平台2处通常布置板式称重传感器、条式称重传感器或者石英称重传感器。同时,称重平台2可以通过有线或无线连接电子仪器和/数据处理装置(图中未示出)。识别设备4通常包括摄像机装置、轮廓识别装置以及电子显示屏等设备。
当车辆5沿行驶方向正常行驶经过称重平台2时,称重平台2感测车辆经过时的压力信号,感测到的压力信号接着可以传送到电子仪器和/或数据处理装置。电子仪器和/或数据处理装置可以对压力信号进行分析、处理,从而获得车辆经过时的称重数值。同时,摄像机装置对车辆的车牌号码以及道路实况进行抓拍;轮廓识别装置扫描车辆轮廓等信息,并通过电子显示屏进行信息发布。此外,还可以通过后台处理器接收车辆的称重数值以及车辆的车辆信息,并将其与数据库中预存的数据比对,以判断当前车辆的型号、大小、自重,从而得出其尺寸是否超限、重量是否超载。
结合上述图1描述可知,采用现有高速称重***可以实现车辆称重,并基于其重量和车型信息判断车辆是否超限或超载,但是也存在如下缺陷。
在一个方面,车辆在行驶过程中,由于车辆本身的减震结构和路面基础的影响,车辆自身也会发生振动,其振动的频率一般为1-3Hz。在现有的称重***中的称重平台沿车辆行驶方向上的尺寸(例如长度)通常为1-4m,当车辆以较高速度通过较短范围内的称重平台时,称重平台可能不会覆盖车辆的整个振动周期,从而导致称重***的称重数值不准确。
在另一个方面,现有的称重***需要安装多个识别设备至龙门架或者道路两侧的立杆,从而造成安装和维护不便。此外,称重***车型轮廓识别通常采用激光传感器等扫描技术,使得称重***的成本较高。
在又一个方面,当车辆非正常行驶经过称重平台时,例如,车辆驾驶员有意在称重平台采取突然加速、减速或者绕“S”等作弊行为时,会使得车辆重心转移而导致称重***的称重精度降低。具体地,当车辆驾驶员有意在称重平台突然加速,此时由于惯性车辆向前行驶而重心向后转移,使得车辆的后轮抓地力增大,车辆前轮的对于地面的附着力降低,从而导致车辆后轮重量较重,前轮重量较轻。由此造成称重平台的称重不准确。
与上述加速相反,当车辆驾驶员有意在称重平台踩刹车减速,车辆的重心向前转移,使得车辆的前轮抓地力增大,车辆的后轮对于地面的附着力降低,从而导致车辆的前轮较重,车辆的后轮变轻,同样造成称重平台的称重不准确。
由于称重平台布置时可能与路边留有间隙(如图2所示),或者称重平台只布置在半个车道上(如图3所示),车辆驾驶员有意绕开称重平台行驶。例如图2中所示,车辆的一侧的车轮沿着图中箭头碾压路边间隙行驶,或者例如图3中所示,车辆沿着箭头方向绕过称重平台2以避免碾压称重平台,使得称重平台的数值减小而导致无法获取车辆的准确重量。
有鉴于此,为了克服上述一个或多个方面的缺陷,在本公开的实施例提供一种对车辆称重的方法及***,通过利用称重单元的称量数据来训练感测单元的第一称重模型,以便提高第一称重模型的称重精度,并结合原始称重数据,从而获得更准确的车辆重量。
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
图4示出根据本公开实施例的称重***200的示例性结构示意图。如图所示,称重***200包括称重单元201、振动感测单元202和数据处理单元203。
称重单元201用于获取车辆的原始称重数据,该原始称重数据包括车辆在匀速行驶下获得的称重数据和车辆在非匀速行驶(例如加速、减速或者绕S行驶)下获得的称重数据。在一个实施例中,称重单元可以是板式称重装置、条式称重装置和/或石英称重装置中的一种或者多种。
振动感测单元202用于获取车辆在行进过程中的振动数据。当车辆经过称重单元和振动感测单元时,可以同时获取原始称重数据和振动数据,也即原始称重数据和振动数据相对应。在一个实施例中,振动感测单元可以是加速度传感器、速度传感器和/或位移传感器中的一种或者多种。关于称重单元和振动感测单元的布置将在后面详细描述。
数据处理单元203用于基于原始称重数据和振动数据训练第一称重模型。进一步地,基于原始称重数据、振动数据和第一称重模型确定车辆的最终重量。
可以理解,当车辆行驶经过称重单元时,车辆的轮胎或者车轴对路面造成压力,路面由于受到压力而产生形变,并通过称重单元感应到前述形变从而获得车辆的原始称重数据(可以例如是压力信号或者形变信号)。当车辆经过振动感测单元时,由于车辆振动从而感测到车辆在行进过程(例如加速行驶、减速行驶和/或蛇形行驶)中的振动数据。该振动数据可以例如是振动波形图。经过分析,车辆行驶通过称重***200时的主要振动包括以下几类:车辆的轴重给路面板块的形变;车身自身的俯仰振动传递给路面;车轮部分振动的固有频率;以及车轮的轮胎花纹、发动机振动、变速箱等给路面的激励。更进一步分析,车辆的轴重给板块的形变又可以包括两部分:重量带给板块的形变,其表现为超低频的信号;其次为重物对板块的冲击带来的板块振动,这部分振动的频率与速度相关。
在一个实施场景中,上述数据处理单元203可以包括例如电子仪器(其例如可以是数字接线盒)和数据分析装置(可以是运行信号分析软件的处理器,例如MATLAB)。
具体地,数据处理单元的电子仪器装置可以用于接收并显示由称重单元获取的车辆在多种行进动作下的原始称重数据(例如压力信号或者形变信号)以及由振动感测单元获取车辆在行进过程中的振动数据,并同时对获取到的原始称重数据和振动数据进行预处理(例如放大、模数转换)转换为可处理的数字信号。该数字信号是前述原始称重数据和振动数据的数字化表征。本领域技术人员可以理解,处理单元也可以直接对采集到的数据进行处理,无需进行模数转换。本公开实施例在此方面没有限制。
基于上述获取的原始称重数据,数据处理单元中的数据分析装置可以对预处理后原始称重数据进行处理。由于车辆在匀速行驶时,称重单元获取的车辆重量更为准确,可以作为第一称重模型的标签数据,从而训练第一称重模型。鉴于此,通过对获取的原始称重数据进行筛选来获得标准称重数据。在一个实施场景中,可以根据原始称重数据来确定车辆的特征信息,从而根据车辆的特征信息进行筛选获得前述标准称重数据。在一个实施例中,车辆的特征信息可以是车辆的速度、车辆的加速度或者车辆的行驶轨迹中的一种。
更为具体地,以条式称重装置(例如图11中示出的201-11)为例,当车辆经过条式称重装置时获取的原始称重数据例如是形变信号,该形变信号显示为脉冲形式的波形。当车辆相邻的两个轴依次经过条式称重装置时,会产生两个脉冲形式的形变信号波形,基于两个形变信号(也即原始称重数据)之间的时间差以及条式称重装置之间的距离,从而获得车辆的速度。本公开还可以根据原始称重数据获得车辆的加速度或者行驶轨迹,进而根据车辆的速度、加速度或者行驶轨迹来对原始称重数据进行筛选,以便筛选出匀速行驶下时的标准称重数据。
更进一步地,可以基于该标准称重数据获得标准称重结果(也即车辆匀速行驶时的车辆的重量),并进一步地以该标准称重结果作为第一称重模型的标签数据。在一个实施场景中,可以根据称重单元的类型而采取不同的计算称重结果的方法。例如,当采用条式称重装置时,可以基于如下公式获得车辆的标准称重结果m:
m=kV∑xi (1)
其中,m表示车辆的标准称重结果,k表示转换系数,可以通过多次实验获得,v表示车辆的速度,xi表示经过筛选后的标准称重数据(例如形变位移)。
当采用板式称重装置时,可以基于如下公式获得车辆的标准称重结果m:
其中,m表示车辆的标准称重结果,xi表示车辆所有轮胎全部落在N个板式称重装置上获取的标准称重数据(例如形变位移)。
基于上述获取的振动数据,数据处理单元中的数据分析装置可以将该振动数据作为第一称重模型的输入数据,从而对第一称重模型进行训练。需要理解的是,由于原始称重数据和振动数据相对应,则经原始称重数据筛选后获取的标准称重数据对应振动数据中的标准振动数据(也即车辆匀速行驶经过振动感测单元时获取的振动数据,同一辆车的称重数据和振动数据是绑定的)。
根据前文描述,可以获得标准称重结果和标准振动数据。数据处理单元可以进一步地以标准称重结果作为标签数据,以对应所述标准称重数据的标准振动数据作为输入,来完成对第一称重模型训练。为了以便于理解,下面将以图5-图7为例详细描述第一称重模型的训练过程。
图5示出神经网络500的示例性框图。本领域技术人员所知,神经网络的训练过程分为两个阶段,第一阶段是信号的正向处理操作(在本公开中称为“前向传播过程”),训练从输入层经过隐藏层(图中示出卷积层、激活层、池化层以及全连接层),最后到达输出层。更为具体地,在前向传播过程中,将输入值输入到神经网络的输入层,经过多个隐藏层的相关算子执行的相应运算,可以从神经网络的输出层得到所谓的预测值的输出。
第二阶段是反向传播梯度操作(在本公开中称为后向传播过程),训练从输出层到隐藏层,最后到输入层,根据梯度依次调节神经网络中每层的权值和偏置。更为具体地,在反向传播过程中,可以使用微分学的链式法则来对各层的权值进行更新,以期在下一次的前向传播过程中获得相对于前次较低的误差值。
图6是示出根据本公开实施例的训练第一称重模型的示例性示意图。从车辆匀速行驶经过称重单元时获得原始称重数据中筛选出标准称重数据,并基于该标准称重数据获得车辆的标准称重结果。以标准称重结果601作为标签数据。通过将标签称重数据对应的标准振动数据作为第一称重模型的输入,例如图中示出的标准振动数据1,标准振动数据2,…,标准振动数据n,n表示数据量。将前述多个标准振动数据(标准振动数据1,标准振动数据2,…,标准振动数据n)作为第一称重模型602的输入数据,使得第一称重模型的输出接近车辆的真实重量(即本公开实施例中获取的标准称重结果601)。更为具体地,在训练时通常获得大量车辆经过时的标准振动数据,通过前向传播获得第一称重模型的输出数据与标准称重结果之间的损失函数604。进一步地,在反向传播过程中基于损失函数采用例如梯度下降算法来对权重进行更新,从而获得权重矩阵603,由此完成了第一称重模型的训练。
需要理解的是,由于振动感测单元对于车辆加速行驶、减速行驶和蛇形行驶适应性较好。同时,训练好的振动感测单元的第一称重模型具有较好的健壮性,从而对异常的振动数据有较好的抗干扰能力,也即第一称重模型对于加速行驶、减速行驶和蛇形行驶的车辆可以达到较高的称重精度。
利用训练完成后的第一称重模型,可以获取车辆在任何行驶状态下接近于标准称重结果的车辆重量。例如,可以将车辆行驶经过振动感测单元时获取的振动数据直接输入第一称重模型中,从而直接输出车辆的第二称重结果。进而通过第二称重结果和由原始称重数据获得的第一称重结果结合获得车辆的最终重量,以便提高称重精度,来获取车辆更为准确的重量。需要理解的是,前述原始称重数据和振动数据为车辆任何行驶状态(例如匀速、加速、减速或者绕S行驶)下获取的车辆的称重数据和振动数据。第一称重结果同样可以基于上述公式(1)或者公式(2)获得,在该场景下,xi表示原始称重数据(未筛选)。
在一个实施场景中,本公开实施例也可以直接利用AlexNet网络模型、Resnet网络模型、VGG网络模型或者CNN网络模型中的一种。其中,AlexNet网络模型中的隐藏层包括5个卷积层和3个全连接层,并在全连接层后面加入Dropout层,以便减少模型的过拟合问题。VGG网络模型相对于AlexNet网络模型,采用了较小卷积核(例如3*3)来代替AlexNet网络模型中的较大卷积核(例如11*11,5*5)。Resnet网络模型与VGG网络模型类似,采用3*3大小的卷积核,并在VGG网络模型的基础上通过短路连接***(也即在输入和输出直接建立一个直接连接),从而形成残差网络。本领域技术人员可以根据需要选择任意神经网络模型,本公开对此不作限制。
在一个应用场景中,通常在沿车辆行驶方向上的称重***的前后位置设置分车设备,例如可以采用线圈来分离车辆。由于车辆是金属,因此,当有车辆经过线圈时会有电流产生,其周围磁场发生变化,以此来对车辆进行分离,以获得每辆车经过称重***的原始称重数据和振动数据。
图7-图10是示出根据本公开实施例的称重单元、振动感测单元的多种布局的示例性示意图。如图7所示,在路面基础6沿车辆行驶方向上的前方布置有称重单元201,后方布置有振动感测单元202,其中称重单元201和振动感测单元202可以通过有线或无线连接数据处理单元203。采用如图所示的布局方式,使得称重区域延长,车辆高速通过该称重区域时可以感测到车辆完整周期的振动信号,从而提高称重精度。
如图8所示,在路面基础6沿车辆行驶方向上的右侧布置有称重单元201,左侧布置有振动感测单元202,其中称重单元201和振动感测单元202可以通过有线或无线连接数据处理单元203。采用图所示的布局方式,便于振动感测单元检测出车辆驾驶员有意绕过称重单元的行为。
如图9所示,在路面基础6沿车辆行驶方向上布置有称重单元201和振动感测单元202,其中称重单元201和振动感测单元202可以重叠布置或者交叉布置,并且通过有线或无线连接数据处理单元203。采用如图所示的布局方式以便减少施工量。
如图10所示,在路面基础6沿车辆行驶方向上布置有称重单元201,路面基础两侧均布置有振动感测单元202。其中称重单元201和振动感测单元202可以通过有线或无线连接数据处理单元203。采用如图所示的布局方式,可以不用在路面开槽从而减少了施工量。此外,也便于检测车辆驾驶员有意绕路边或绕S(也即蛇形行驶)等行为。
需要理解的是,上述图7-图10仅仅是几种不同的示例性的布局方式,本领域技术人员还可以根据需求进行布局,本公开实施例对此不作限制。例如,图7中的振动感测单元布置在前方,称重单元布置于后方;图8中称重单元布置在左侧,振动感测单元布置在右侧。可选地,图8中还可以布置为称重单元在中间,振动感测单元布置于称重单元的左右两侧。图10中振动感测单元也可以在路侧和路面基础上同时布置,只需检测到信号即可。此外,称重单元在沿与车辆行驶方向垂直的方向上的尺寸(宽度)可以是一个车道的宽度,在与车辆行驶方向平行的方向上的尺寸(长度)可以是任意的,例如可以为一米至四米,本公开实施例并不限制称重单元的长度和宽度。
在一个实施例中,称重单元可以是板式称重装置、条式称重装置以及石英称重装置中任意一种,也可以是前述三种称重装置中的任意两种或者前述三种称重装置组合布置。在另一个实施例中,振动感测单元可以是加速度传感器、速度传感器和位移传感器中的任意一种,也可以是前述三种传感器中的任意两种或者前述三种传感器一起使用。在一个实施场景中,加速度传感器、速度传感器和位移传感器可以安装在路面基础中或者安装在路侧,例如图11-图14。
图11-图14是示出根据本公开实施例的称重装置和传感器布局的示例性示意图。这里需要理解的是,图11-图14是图7-图10所描述的称重单元、振动感测单元的具体实现方式。因此,上文结合图7-图10所描述的布置中的某些技术特征和细节也同样适用于图11-图14。
如图11所示,在路面基础6沿车辆方向上依次布置有板式称重装置201-10、条式称重装置201-11、石英称重装置201-12以及多个传感器202-20。在该图中,称重单元由板式称重装置、条式称重装置以及石英称重装置组成,振动感测单元由多个传感器组成,其对应于上述图7中所描述的沿车辆行驶方向的前后布置。
如图12所示,在路面基础6沿车辆方向上的左侧依次布置有两个条式称重装置201-11以及石英称重装置201-12,右侧上布置有多个传感器202-20。在该图中,称重单元由条式称重装置和石英称重装置组成,振动感测单元由多个传感器组成,其对应于上述图8中所描述的沿车辆行驶方向的左右布置。
如图13所示,在路面基础6沿车辆方向上布置有三个条式称重装置201-11以及三排传感器202-20,并且条式称重装置和传感器交叉布置。在该图中,称重单元由条式称重装置组成,振动感测单元由三排传感器组成,其对应于上述图9中所描述的称重单元与振动感测单元重叠(交叉)布置。
如图14所示,在路面基础6沿车辆方向上布置有一个板式称重装置201-10和两排传感器202-20,在路面基础6两侧的传感器202-20通过安装装置(图中未示出)固定。在一个实施例中,安装装置可以是立杆、龙门架和L杆中的一种。在该图中,称重单元由板式称重装置组成,振动感测单元由路面上的传感器和路侧的传感器组成,其对应于上述图10中所描述的布局。
本公开实施例基于上述描述对称重单元和振动感测单元进行布局,可延长称重***200的称重区域,使得在称重区域内获得车辆完整周期的信号,从而提高称重精度。此外,本公开实施例允许混合各种传感器,为***设计人员提供了更多种选择,以便综合考虑称重精度和建造成本。需要理解的是,图11-图14仅仅是示例性示意图,本公开实施例对称重装置和传感器的具***置以及数量不作限制。优选地,称重单元和振动感测单元被设置为与路面基础平齐,或者略高于路面基础,而低于路面基础会导致车辆振动大,从而增大了称重误差。
图15是示出根据本公开实施例的称重方法1500的示例性流程框图。如图15所示,在步骤1502处,通过称重单元获取车辆的原始称重数据。在一个实施例中,该原始称重数据在车辆匀速或者非匀速(例如加速、减速或者绕S行驶)时通过称重单元时获得。可以理解,当车辆匀速通过称重单元时,获得车辆的重量精度较高,有鉴于此,可以从原始称重数据筛选出匀速行驶时的称重数据,也即标准称重数据。然而当车辆驾驶员有意在称重单元作弊(加速、减速或者蛇形行驶)时,通常会导致称重单元获得的称重数据不准确。基于此,通过在称重单元周围布置振动感测单元来识别作弊车辆。关于称重单元与振动感测单元的布局可以参考图7-图14,此处不再重复。
接着,在步骤1504处,通过振动感测单元获取车辆在行进过程中的振动数据。其中,车辆的行进过程包括多种行进动作,例如匀速行驶、加速行驶、减速行驶和蛇形行驶中的任一种或者多种。基于振动数据的分析,可以防止存在作弊行为的车辆。需要理解的是,当车辆行驶经过振动感测单元时,通常不能直接获得车辆的重量。由此,可以利用振动感测单元的第一称重模型来对车辆进行称重。同时,可以利用称重单元的原始称重数据作为训练数据,以便训练第一称重模型。
获得原始称重数据和振动数据后,在步骤1506处,基于原始称重数据和振动数据训练第一称重模型。更为具体地,对原始称重数据进行筛选获取标准称重数据,并基于标准称重数据获得车辆的标准称重结果,进而以标准称重结果为标签数据,以标准振动数据作为第一输入数据,来训练第一称重模型。在一个实施例中,可以根据原始称重数据分析获取车辆的速度、加速度或者行驶轨迹来对原始称重数据进行筛选,以便获得车辆匀速行驶时的标准称重数据以及对应的标准振动数据。在另一个实施例中,标准称重结果可以基于上述公式(1)或者公式(2)获得。可以理解,机器学习中的训练模型表示成通过标签数据和采集样本,来学习或者确定所有权重和偏差的理想值,也即通过检查多个样本以便确定最大限度地减少损失的模型。本公开实施例中通过训练第一称重模型最大限度地减小作弊带来的称重误差,从而提高了称重精度。
利用训练后的第一称重模型,进一步地,在步骤1508处,基于原始称重数据、振动数据和第一称重模型确定车辆的最终重量。需要理解的是,该原始称重数据和振动数据包括车辆在多种行驶动作下获取的称重数据和振动数据。更为具体地,采用上述公式(1)或公式(2)可以基于原始称重数据获得车辆的第一称重结果,将振动数据输入第一称重模型中可以获得车辆的第二称重结果。最后,对第一称重结果和第二称重结果进行加权求和获得车辆的最终重量。
应当注意,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,流程图中描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
应当理解,本公开的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的,而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
虽然本文已经示出和描述了本披露的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式来提供。本领域技术人员可以在不偏离本披露思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本披露的过程中,可以采用对本文所描述的本披露实施例的各种替代方案。所附权利要求书旨在限定本披露的保护范围,并因此覆盖这些权利要求范围内的等同或替代方案。
Claims (8)
1.一种对车辆称重的方法,包括:
通过称重单元获取车辆的原始称重数据;
根据所述原始称重数据获得所述车辆的第一称重结果;
通过振动感测单元获取所述车辆在行进过程中的振动数据;
将所述振动数据输入已训练的第一称重模型中获得所述车辆的第二称重结果;以及
结合所述第一称重结果和所述第二称重结果以获得车辆的最终重量;
其中所述第一称重模型按如下方式训练得到:
对通过所述称重单元获取的车辆的原始称重数据进行筛选获得标准称重数据,所述标准称重数据为车辆匀速行驶下的车辆的称重数据;
基于所述标准称重数据获得标准称重结果;
以所述标准称重结果作为标签数据,以通过所述振动感测单元获取的、对应所述标准称重数据的标准振动数据作为输入,来训练所述第一称重模型;
其中,所述称重单元布置在路面基础沿车辆行驶方向上,所述振动感测单元布置于所述称重单元前后、左右、两侧或与所述称重单元叠加布置,其中所述振动数据覆盖车辆的整个振动周期。
2.根据权利要求1所述的方法,其中,对原始称重数据进行筛选获得标准称重数据包括:
根据所述原始称重数据确定所述车辆的特征信息;
根据所述车辆的特征信息进行筛选获得标准称重数据。
3.根据权利要求2所述的方法,其中,所述车辆的特征信息至少包括所述车辆的速度、车辆的加速度、车辆的行驶轨迹中的一种。
4.根据权利要求1-3任一所述的方法,其中,结合所述第一称重结果和所述第二称重结果以获得车辆的最终重量包括:
对所述第一称重结果和所述第二称重结果进行加权求和获得车辆的最终重量。
5.根据权利要求1-4任一所述的方法,其中,所述第一称重模型包括Alexnet网络模型、CNN网络模型、Resnet网络模型、VGG网络模型中的一种。
6.一种对车辆称重的***,包括:
称重单元,用于获取所述车辆的原始称重数据;
振动感测单元,用于获取所述车辆在行进过程中的振动数据;
数据处理单元,用于根据所述原始称重数据获得所述车辆的第一称重结果;将所述振动数据输入已训练的第一称重模型中获得所述车辆的第二称重结果;以及结合所述第一称重结果和所述第二称重结果以获得车辆的最终重量;
其中所述第一称重模型是按如下方式训练得到的:
对通过所述称重单元获取的车辆的原始称重数据进行筛选获得标准称重数据,所述标准称重数据为车辆匀速行驶下的车辆的称重数据;
基于所述标准称重数据获得标准称重结果;
以所述标准称重结果作为标签数据,以通过所述振动感测单元获取的、对应所述标准称重数据的标准振动数据作为输入,来训练所述第一称重模型;
其中,所述称重单元布置在路面基础沿车辆行驶方向上,所述振动感测单元布置于所述称重单元前后、左右、两侧或与所述称重单元叠加布置,其中所述振动数据覆盖车辆的整个振动周期。
7.根据权利要求6所述的***,其中,所述称重单元至少包括板式称重装置、条式称重装置、石英称重装置中的一种或者多种。
8.根据权利要求6所述的***,其中,所述振动感测单元至少包括加速度传感器、速度传感器、位移传感器中的一种或者多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011603292.XA CN112781702B (zh) | 2020-12-30 | 2020-12-30 | 一种对车辆称重的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011603292.XA CN112781702B (zh) | 2020-12-30 | 2020-12-30 | 一种对车辆称重的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112781702A CN112781702A (zh) | 2021-05-11 |
CN112781702B true CN112781702B (zh) | 2023-12-22 |
Family
ID=75751717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011603292.XA Active CN112781702B (zh) | 2020-12-30 | 2020-12-30 | 一种对车辆称重的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112781702B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114485889A (zh) * | 2022-01-25 | 2022-05-13 | 浙江大华技术股份有限公司 | 称重设备校准方案的确定方法及装置 |
CN116524726B (zh) * | 2023-07-05 | 2023-10-13 | 江苏航运职业技术学院 | 基于大数据的新能源汽车超载检测分析方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2653465Y (zh) * | 2002-11-29 | 2004-11-03 | 魏鲁原 | 动态称重*** |
CN1844865A (zh) * | 2006-05-08 | 2006-10-11 | 何宏伟 | 车辆动态称重***及方法 |
EP2026048A1 (de) * | 2007-08-06 | 2009-02-18 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Lastbestimmung eines in Fahrt befindlichen Fahrzeuges |
CN102901550A (zh) * | 2012-11-15 | 2013-01-30 | 陕西电器研究所 | 一种实现车载动态称重的方法 |
CN103196530A (zh) * | 2013-04-24 | 2013-07-10 | 郑州衡量电子科技有限公司 | 车辆动态称重***及其称重方法 |
CN109668610A (zh) * | 2019-01-11 | 2019-04-23 | 东南大学 | 基于神经网络回归的车辆动态测重方法及其采用的*** |
CN109918972A (zh) * | 2017-12-13 | 2019-06-21 | 北京万集科技股份有限公司 | 一种行车重量智能监控方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7668692B2 (en) * | 2005-10-11 | 2010-02-23 | Tatom Frank B | Method for weighing vehicles crossing a bridge |
-
2020
- 2020-12-30 CN CN202011603292.XA patent/CN112781702B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2653465Y (zh) * | 2002-11-29 | 2004-11-03 | 魏鲁原 | 动态称重*** |
CN1844865A (zh) * | 2006-05-08 | 2006-10-11 | 何宏伟 | 车辆动态称重***及方法 |
EP2026048A1 (de) * | 2007-08-06 | 2009-02-18 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Lastbestimmung eines in Fahrt befindlichen Fahrzeuges |
CN102901550A (zh) * | 2012-11-15 | 2013-01-30 | 陕西电器研究所 | 一种实现车载动态称重的方法 |
CN103196530A (zh) * | 2013-04-24 | 2013-07-10 | 郑州衡量电子科技有限公司 | 车辆动态称重***及其称重方法 |
CN109918972A (zh) * | 2017-12-13 | 2019-06-21 | 北京万集科技股份有限公司 | 一种行车重量智能监控方法及*** |
CN109668610A (zh) * | 2019-01-11 | 2019-04-23 | 东南大学 | 基于神经网络回归的车辆动态测重方法及其采用的*** |
Also Published As
Publication number | Publication date |
---|---|
CN112781702A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689723B (zh) | 基于功率分布与自学习的货车超载识别方法 | |
CN104164829B (zh) | 基于移动终端的路面平整度检测方法和智能路面信息实时监测*** | |
CN112781702B (zh) | 一种对车辆称重的方法及*** | |
CN112781703A (zh) | 一种对车辆进行称重的***及方法 | |
KR100917051B1 (ko) | 주행차량의 교통정보산출장치 및 그 산출방법 | |
CN111667688B (zh) | 一种基于路面振动信号的综合交通信息解析方法及*** | |
CN101303802A (zh) | 货车超载在线自动预判断方法及*** | |
CN111783638A (zh) | 一种检测车辆轮轴数及车型识别的***、方法 | |
CN108318117A (zh) | 一种车辆动态称重补偿传感器阵列、***与方法 | |
CN201936359U (zh) | 高速公路入口发卡机专用自动车型识别*** | |
CN103196530A (zh) | 车辆动态称重***及其称重方法 | |
CN112435463B (zh) | 一种基于道路物联网监测的车型与车重分类方法 | |
CN110702195B (zh) | 载重车辆运行状态监测方法及装置 | |
CN106017621A (zh) | 一种基于rfid汽车超载不停车检测***及检测方法 | |
CN114964445B (zh) | 基于车辆识别的多模块动态称重方法 | |
CN104299273A (zh) | 公路绿色通道车辆货物判别***、方法 | |
CN103473948A (zh) | 压电电缆布设结构及超载车辆轮迹线横向位置识别方法 | |
CN102592449A (zh) | 一种车辆超载非现场执法*** | |
CN107657817A (zh) | 一种基于多地磁传感器的车辆状态检测装置 | |
CN114926984B (zh) | 一种实时交通冲突收集与道路安全评价方法 | |
CN112816043B (zh) | 一种确定车辆的车型的方法及*** | |
KR101247542B1 (ko) | 속도 및 차선의 변경을 고려한 주행 차량의 무게 측정 시스템 및 그 측정 방법 | |
CN106404141B (zh) | 一种整车动态计重用轴识别***及其实现方法 | |
CN113129602A (zh) | 一种车辆状态监测方法、装置、存储介质及电子设备 | |
CN114023065A (zh) | 一种利用视频解析数据智能诊断路口服务等级的算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |